CN111126694A - 一种时间序列数据预测方法、系统、介质及设备 - Google Patents
一种时间序列数据预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN111126694A CN111126694A CN201911333914.9A CN201911333914A CN111126694A CN 111126694 A CN111126694 A CN 111126694A CN 201911333914 A CN201911333914 A CN 201911333914A CN 111126694 A CN111126694 A CN 111126694A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- model
- covariance
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000013434 data augmentation Methods 0.000 claims abstract description 6
- 230000003190 augmentative effect Effects 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 241000288105 Grus Species 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 235000013305 food Nutrition 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种时间序列数据预测方法、系统、介质及设备,方法包括:当获取的原始数据集的数据量小于预设值时,对原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;利用所有预测模型对被测数据集进行预测,获得每个预测模型的预测结果;将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。本发明通过对小尺度时间序列的数据增广,获得多个满足建立预测模型数据需求的扩充集,每个扩充集建立对应的预测模型,进行多模型并行预测,且基于误差估计进行多模型融合,实现了对小尺度时间序列数据的可靠预测。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种时间序列预测方法、系统、介质及设备。
背景技术
数据已经成为现代信息时代各种人工和自然系统的重要资源,对于各类信息管理系统,一方面需要关注设备和传感器产生实时数据,以监视受控对象的运行状态,另一方面,管理者还需要对数据趋势进行预测感知,以提前决策并采取措施调整系统运行。因此,数据预测在无人系统控制、环境监测、股票市场等领域均得到了关注和研究应用。
互联网时代大数据成为数据挖掘分析的基础,但在实际的应用中,时间序列的数据集经常不能达到期望规模。调研发现,许多领域的数据仍按照传统管理方式通过人工采集。例如,城市水环境监测中部分指标需由工作人员采集并在实验室进行化验,采集频率最高为每天一次;食品安全检查中同样以人工抽查方式为主,监测频率为每天一次,每天的检测对象还存在不连续的情况;在人口统计中,我国人口普查每10年一次,近几次人口普查分别在1990年、2000年和2010年,人口统计中部分频率较高的指标也仅为一年一次。上述情况及其他信息系统中缓慢的数据收集使数据集规模很小,同时,时间序列具有非平稳、非线性、含有复杂噪声等特征。
对于目前常用的深度学习网络等,小规模数据无法满足模型训练的要求,具体体现在:由于现有数据中的信息量有限,ARIMA、ARCH等统计方法所拟合的模型无法跟踪到新的模式;数据量直接影响网络训练效果,数据量过小会导致无法使用机器学习方法建立模型。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题,提供一种时间序列预测方法、系统、介质及设备。
为解决上述技术问题,本发明实施例提供一种时间序列数据预测方法,包括:当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
为解决上述技术问题,本发明实施例还提供一种时间序列数据预测系统,包括:数据扩充模块,用于当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;模型建立模块,用于建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;数据预测模块,用于利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;结果融合模块,用于将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
为解决上述技术问题,本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案所述的时间序列数据预测方法。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案所述的时间序列数据预测方法。
本发明的有益效果是:通过对小尺度时间序列的数据增广,获得多个满足建立预测模型数据需求的扩充集,每个扩充集建立对应的预测模型,进行多模型并行预测,对并行模型的预测误差水平进行估计,基于误差估计进行多模型融合,实现了对小尺度时间序列数据的可靠预测。
附图说明
图1为本发明实施例提供的时间序列数据预测方法的示意性流程图;
图2为本发明实施例提供的时间序列数据预测方法的原理性示意图;
图3为本发明实施例提供的食品抽检不合格率预测结果曲线图;
图4为本发明实施例提供的食品抽检不合格率预测绝对误差曲线图;
图5为本发明实施例提供的时间序列数据预测系统示意性结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的时间序列数据预测方法的示意性流程图。如图1所示,该方法包括:
110、当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;
120、建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;
130、利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;
140、将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
上述实施例中,通过对小尺度时间序列的数据增广,获得多个满足建立预测模型数据需求的扩充集,每个扩充集建立对应的预测模型,进行多模型并行预测,对并行模型的预测误差水平进行估计,基于误差估计进行多模型融合,实现了对小尺度时间序列数据的可靠预测。
可选地,所述对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集,包括:
利用随机概率算法对所述原始数据集进行扩展,得到多个满足建立预测模型数据需求的扩充集。
上述实施例中,通过随机数据增广方式得到多个扩充集,与后续建立的多个模型一一对应,可为多个模型的建立提供必要充足的数据。
可选地,所述利用随机概率算法对所述原始数据集进行扩展,得到多个满足建立预测模型数据需求的扩充集,包括:
对原始数据集{x1,x2,…,xn}随进行m轮随机抽样,每轮随机抽取n次,每次抽取一个样本,且抽取后放回原始数据集,每轮抽取的样本形成一个抽样集合Xj,1≤j≤m;对应的概率分布参数为θj;
根据概率分布参数置信区间(bl,bh)中的置信区间上限bh和每轮样本抽取次数n得到置信样本数b:
b=intfloor(n·bh)
其中,ε是建立预测模型需要的最小数据量,s=ceiling(ε/n),ceiling代表向上取整。
可选地,每个所述扩充集划分为训练集和验证集;所述建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差,如图2所示,包括:
将所述扩充集中的时序数据分解为多个分变量,利用训练集对每个分变量建立对应的门限网络GRU,所有分变量的门限网络GRU构成所述扩充集的预测模型;
利用所述门限网络GRU对验证集中对应的分变量进行预测,得到每个分变量的预测结果,将每个所述分变量的预测结果进行融合获得所述验证集的预测结果;该实施例中,通过加和运算将预测结果进行融合;
根据所述验证集的预测结果和所述验证集的真实值确定每个扩充集对应的预测模型的预测误差的协方差。
上述实施例中,门限网络GRU在时序预测上具有较强鲁棒性,同时通过计算预测误差的协方差,可实现对每个预测模型准确性的评估,为后续模型融合计算提供定量参数。
可选地,所述根据所述验证集的预测结果和所述验证集的真实值确定每个扩充集对应的预测模型的预测误差的协方差,计算公式如下:
上述实施例中,利用验证集计算每个模型的协方差,实现了基于已知数据的模型评价,为模型融合提供权重参考。
可选地,所述将所述扩充集中的时序数据分解为多个分变量,包括:运用STL对扩充集中的数据进行模态分解,将时序数据Xt分解为趋势分量Tt、周期分量St和波动分量Rt,获得对应的三组分变量。
Xt=Tt+St+Rtt=1,2,...,n。
上述实施例中,通过分解实现对原始数据特征的提取,将复杂的原始数据分解为趋势性和周期性更强的分变量,有利于实现更准确的预测。
所述将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果,包括:
其中,a代表预测模型的数量。
具体地,协方差最小时意味着估计值与稳定效果保持平衡,因此将协方差的计算转换为优化问题,并将优化问题表示为:
下面以食品抽检为例进行试验。食品抽检的频率一般为一天一次,因此抽检数据总体数量有限,属于本发明所关注的小尺度时序数据。收集2013年到2018年某省对大米类产品的抽检数据,经增广处理得到不合格率时序值共1800组数据,其中1200组用于训练模型,400组用于验证模型并进行协方差交叉计算,200组用于测试模型。200组数据的预测结果如附图3所示,对应的绝对误差如附图4所示。可见,在数据规模较小的情况下,本发明可有效跟踪非平稳复杂数据的变化趋势,并可较为准确地预测时序变化值。
上文结合图1至图4,详细描述了根据本发明实施例提供的时间序列数据预测方法。下面结合图5,详细描述本发明实施例提供的时间序列数据预测系统。
如图5所示,本发明实施例还提供一种时间序列数据预测系统,包括:数据扩充模块、模型建立模块、数据预测模块和结果融合模块。
数据扩充模块,用于当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;模型建立模块,用于建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;数据预测模块,用于利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;结果融合模块,用于将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
上述实施例中,通过对小尺度时间序列的数据增广,获得多个满足建立预测模型数据需求的扩充集,每个扩充集建立对应的预测模型,进行多模型并行预测,对并行模型的预测误差水平进行估计,基于误差估计进行多模型融合,实现了对小尺度时间序列数据的可靠预测。
本发明实施例还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行上述技术方案所述的时间序列数据预测方法。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案所述的时间序列数据预测方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种时间序列数据预测方法,其特征在于,包括:
当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;
建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;
利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;
将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集,包括:
利用随机概率算法对所述原始数据集进行扩展,得到多个满足建立预测模型数据需求的扩充集。
3.根据权利要求2所述的方法,其特征在于,所述利用随机概率算法对所述原始数据集进行扩展,得到多个满足建立预测模型数据需求的扩充集,包括:
对原始数据集{x1,x2,…,xn}随进行m轮随机抽样,每轮随机抽取n次,每次抽取一个样本,且抽取后放回原始数据集,每轮抽取的样本形成一个抽样集合Xj,1≤j≤m;对应的概率分布参数为θj;
根据概率分布参数置信区间(bl,bh)中的置信区间上限bh和每轮样本抽取次数n得到置信样本数b:
b=intfloor(n·bh)
其中,ε是建立预测模型需要的最小数据量,s=ceiling(ε/n),ceiling代表向上取整。
4.根据权利要求1至3所述的方法,其特征在于,每个所述扩充集划分为训练集和验证集;所述建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差,包括:
将所述扩充集中的时序数据分解为多个分变量,利用训练集对每个分变量建立对应的门限网络GRU,所有分变量的门限网络GRU构成所述扩充集的预测模型;
利用所述门限网络GRU对验证集中对应的分变量进行预测,得到每个分变量的预测结果,将每个所述分变量的预测结果进行融合获得所述验证集的预测结果;
根据所述验证集的预测结果和所述验证集的真实值确定每个扩充集对应的预测模型的预测误差的协方差。
6.根据权利要求4所述的方法,其特征在于,所述将所述扩充集中的时序数据分解为多个分变量,包括:
运用STL对扩充集中的数据进行模态分解,将时序数据Xt分解为趋势分量Tt、周期分量St和波动分量Rt,获得对应的三组分变量。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果,包括:
根据每个预测模型的预测误差的协方差确定每个预测模型的预测误差的协方差的逆;
根据每个预测模型的预测误差的协方差的逆及每个预测模型的网络权重确定总体协方差的逆;
采用序列最小二乘法优化总体协方差的逆,并根据每个预测模型对被测数据集进行预测的预测结果融合得到最终预测结果。
8.一种时间序列数据预测系统,其特征在于,包括:
数据扩充模块,用于当获取的原始数据集的数据量小于预设值时,对所述原始数据集进行数据增广,获得多个满足建立预测模型数据需求的扩充集;
模型建立模块,用于建立每个扩充集对应的预测模型,并确定每个预测模型的预测误差的协方差;
数据预测模块,用于利用所有所述预测模型对被测数据集进行预测,获得每个预测模型的预测结果;
结果融合模块,用于将所有预测模型的预测结果通过协方差交叉的方式进行融合,得到最终预测结果。
9.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1-7任一项所述的时间序列数据预测方法。
10.一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的时间序列数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333914.9A CN111126694A (zh) | 2019-12-23 | 2019-12-23 | 一种时间序列数据预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333914.9A CN111126694A (zh) | 2019-12-23 | 2019-12-23 | 一种时间序列数据预测方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126694A true CN111126694A (zh) | 2020-05-08 |
Family
ID=70501029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333914.9A Pending CN111126694A (zh) | 2019-12-23 | 2019-12-23 | 一种时间序列数据预测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126694A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705910A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种数据样本的扩充方法、装置、设备和介质 |
CN114037864A (zh) * | 2021-10-31 | 2022-02-11 | 际络科技(上海)有限公司 | 图像分类模型的构建方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-23 CN CN201911333914.9A patent/CN111126694A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705910A (zh) * | 2021-08-31 | 2021-11-26 | 深信服科技股份有限公司 | 一种数据样本的扩充方法、装置、设备和介质 |
CN114037864A (zh) * | 2021-10-31 | 2022-02-11 | 际络科技(上海)有限公司 | 图像分类模型的构建方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
Wang et al. | An improved ARIMA model for precipitation simulations | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN106529145A (zh) | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 | |
CN106934237A (zh) | 雷达抗干扰效能评估可信性度量实现方法 | |
CN112990480B (zh) | 构建模型的方法、装置、电子设备和存储介质 | |
CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN104022899A (zh) | 一种网络管理系统的三维评估方法及系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN115511341B (zh) | 一种库岸边坡时变失效概率评估方法及装置 | |
CN117891234A (zh) | 机房运行状态的检测方法、装置、存储介质以及电子设备 | |
CN116341911A (zh) | 一种基于fahp-svm的交流干扰腐蚀风险评价方法及系统 | |
CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
CN114199992A (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
CN113239075A (zh) | 一种施工数据自检方法及系统 | |
CN118550573B (zh) | It运维管理方法及it运维管理装置 | |
CN117743859B (zh) | 工业分析模型的训练方法、使用方法及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |